Orchestration of Thick Data Analytics Based on Conversational Workflows in Healthcare Community of Practice
Notice bibliographique
Résumé
Every healthcare unit is experiencing tremendous pressure to improve its practice quality across several dimensions. Multiple bodies of literature support the importance of establishing community of practice (CoP) to enrich the professional practice and add the expert context on the patient cases. The CoP emphasizes the importance of qualitative social learning and connectivity as preferred sources of knowledge updates to guide the practice rather than using the mere direct quantitative evidence. Social learning and connectivity in CoP is a complex sociotechnical process that takes an abstract idea through a cycle of participation and reification to derive more thickened context and refined knowledge that will help largely the accuracy of decision making. This process is not a straightforward one requiring the use of suitable hyper structure for representing the contextual evolving knowledge as well as a flexible infrastructure to enable CoP learning from experts, agents and connected services as well as other sources of data and knowledge. This article focuses on using the notion of workflow as the hyper structure and Node-RED as the platform that can facilitate CoP learning and connectivity. The focus is on using the CoP Node-RED workflows in healthcare settings to provide basic collaboration and connectivity as well as extensions to facilitate higher participation, learning, and connectivity to arrive at reification of the practice experience. With Node-RED workflows ideas can be represented as flows and sub flows where it can be shared with other CoP members as JSON hyper structure for further improvement, analytics and decision making.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,003 | 0,014 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».